研究了预测 n 个量子比特上任何未知量子过程的机器学习算法，该算法可在广泛分布的任意 n 比特状态下学习预测来自未知过程 E 的任何本地属性，具有小的平均误差率。本文的算法组合了学习未知状态属性和学习低阶近似未知的可观测量的有效过程，并证明了新的范数不等式，包括一个量子模拟 Bohnenblust-Hille 不等式。通过数值实验证明，机器学习模型能够比运行过程本身快得多地预测复杂量子动态的输出。

Oct, 2022

本研究比较了传统机器学习和量子机器学习在物理实验结果预测方面的表现，发现虽然对于任何输入分布，使用经典机器学习模型可以实现平均准确预测，但是利用量子机器学习模型，可以在所有输入分布上达到指数级别的量子优势，此外，我们提出了一种仅需要 O (n) 个副本来预测 n 量子位系统的所有 Pauli 可观察量期望值的量子机器学习模型，为解决物理和化学领域的难题提供了新思路。

Jan, 2021

探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处，提出了一种用于评估量子学习任务潜在优势的方法，并提出了一种通过量子速度提高学习效率的量子机器学习模型。

Nov, 2020

学习地面状态性质的量子多体物理问题中，提出了两种方法来实现恒定的样本复杂度，一种是对已知兴趣属性的 ML 模型进行简单修改，另一种是使用深度神经网络模型进行预测。

May, 2024

证明了量子机器学习在加速监督学习任务方面具有计算优势，通过构建广泛的监督学习任务，并使用通用量子计算方法，证明了这一学习任务对于任何可能的多项式时间经典学习方法的难度，并提供了实验中展示这一学习任务的经典数据准备协议。

Dec, 2023

通过回顾机器学习中的量子计算文献，研究了量子算法的限制、与传统经典算法的比较，以及为什么期望量子资源能够提供学习问题的优势，而在存在噪声和某些计算困难的问题中，量子计算令人期待的路线。

Jul, 2017

数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用，从而提高了模型的可迁移性和可解释性，节省了计算成本，并为发展机器学习增强型电子结构方法提供了蓝图。

Nov, 2023

利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

Dec, 2017

量子机器学习是量子计算的一个有潜力的早期使用案例，该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览，其包括从理论研究到数值模拟再到概念验证等多个方面的进展。

Apr, 2024

通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度，通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案，能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性，为解决量子多体问题提供了新的强有力的工具。

Jun, 2016